Auf seiner Online-Plattform präsentiert asambeauty eine Traumwelt von über 500 hochwertigen Beauty-Artikeln seiner Eigenmarken. Doch eine solche Produktvielfalt kann auch schnell erschlagend wirken und dem User die Suche nach dem passenden Artikel erschweren. Erfahrt in unserem Best Practise, wie situationsbezogene Empfehlungen – die nächste Generation der Recommendations (RECOs) – asambeauty ermöglichen, Shop-Besucher mit wirklich relevanten Angeboten durch den Produktdschungel zu leiten. Und damit Warenkorbwerte und Umsätze enorm zu steigern.
Ausgangslage: Die Customer Journey durch den Produktdschungel
Als traditionsreiches Familienunternehmen hat sich Asam Kosmetik in den letzten Jahrzehnten mehrmals neu erfunden: Nach dem Start als Drogerieartikel-Produktion in den sechziger Jahren begann das Unternehmen 1983, die Wirkstoffproduktion in die eigenen Hände zu nehmen. Nach intensiver Forschung und Entwicklung gründete das Unternehmen in 2002 die Marke M.Asam, deren Bekanntheit sie auf dem deutschen Markt vor allem durch Teleshopping rasch steigern konnte. Später wurde das Sortiment um weitere hochwertige Produktlinien erweitert, die seit 2011 auch online bestellt werden können. 2017 schließlich expandierte der Online-Shop und verwandelte sich in die Beauty-Plattform asambeauty.com, auf der eine Vielzahl von Produkten aller Eigenmarken angeboten werden. Heute finden sich dort mehr als 500 Produkte aus unterschiedlichsten Bereichen der Beauty-Welt.
Das große Sortiment bietet Stöberern und Wiederkehrern eine Traumwelt – prall gefüllt mit hochwertigen Beauty-Artikeln ausschließlich von Eigenmarken. Doch gerade für Bestandskunden kann diese neue Produktvielfalt auch erschlagend wirken und die Suche nach dem passenden Artikel erschweren. Wie also zeigt man Online-Shoppern am besten einen Weg durch den Produktdschungel und bietet ihnen individuell passende Produkte?
Die Beauty-Plattform asambeauty bietet eine hochwertige Produktvielfalt für jedes Alter und Pflegebedürfnis.
Problemstellung: Wenn herkömmliche Recommendations an ihre Grenzen stoßen
Hierfür setzte asambeauty bislang auf herkömmliche Produktempfehlungen. Diese basieren auf dem Shopping-Verhalten historischer Kunden, die ähnliche Produkte betrachtet oder gekauft hatten wie der aktuelle Nutzer. Durch Offline Clustering werden sie im Stil des bekannten Slogans „Kunden, die dieses Produkt interessierte, interessierten sich auch für…“ ausgespielt: Auf der Produktdetailseite, der Add to Basket-Page sowie im Warenkorb. Für viele Besucher waren diese klassischen RECOs jedoch wenig relevant.
Stellt Euch als Beispiel eine junge Dame vor, die auf der Suche nach Inspiration für eine neue, stylische Gesichtscreme ist. Ihre Customer Journey beginnt, nachdem sie von der Social Media-Plattform Instagram zu asambeauty.de weitergeleitet wurde. Auf der Startseite werden ihr nun die Neuheiten und Bestseller aller Kunden vorgeschlagen – Individualität sieht anders aus. Navigiert sie sich weiter zur Produktdetailseite einer Creme, werden ihr dort Produkte empfohlen, die vergangene Käufer der ausgewählten Creme ebenfalls interessierten. Wieder bleiben die tatsächlichen Präferenzen der jungen Frau unberücksichtigt. Legt diese dennoch einen Artikel in den Warenkorb, entdeckt sie die nächsten Recommendations, die aber erneut nicht ihr Interesse an einer neuen, stylischen Creme treffen: Stattdessen schlägt das traditionelle RECO-Tool lediglich Produkte vor, die Kunden mit identischem Warenkorb ebenfalls gekauft haben.
Tatsächlich fündig wird die Frau unter Umständen also erst, wenn sie die Hautpflegeprodukte aktiv durchsucht, indem sie einige Seiten hin- und herblättert. Nicht jeder Besucher ist dazu bereit. Ein erheblicher Anteil der User wird stattdessen eher Abspringen und zur nächsten Beauty-Plattform wechseln. Um dies zu verhindern suchte die Beauty-Plattform nach einer Lösung, die ermöglicht, jedem einzelnen Besucher die individuell wirklich passendsten Produkte zu empfehlen.
Blind vor lauter Auswahl. Große Produktsortimente machen es Online-Shoppern häufig schwer, die Artikel zu finden, die sie suchen.Lösung: Kunden, die so sind wie DU
Hierfür setzt asambeauty auf die nächste Generation der Recommendations: Situationsbezogene Empfehlungen durch ODOSCOPE. Dieser Ansatz ermöglicht es der Beauty-Plattform, die Produktvorschläge auf die individuellen Bedürfnisse sowie die aktuelle Shopping-Situation jedes einzelnen Users zuzuschneiden.
Möglich ist dies, da sich ODOSCOPE an bereits vorhandenen Daten des Unternehmens bedient und sie gewinnbringend nutzt: Die Operational Intelligence-Plattform (SaaS) führt Produkt- und Kategorienfeeds mit historischen Tracking-Daten der Beauty-Plattform zusammen. Betritt nun ein aktueller Besucher den Shop, ermittelt ODOSCOPE auf Grundlage dieser Datenbasis und im Moment des Seitenaufrufs eine individuelle Peer Group historischer Nutzer. Diese ähneln dem aktuellen User sowohl hinsichtlich seiner persönlichen Bedürfnisse (z.B. Haut-, Haar- oder Körperpflege), als auch seiner situativen Merkmale (z.B. Sonntag Abends auf der Couch mit dem Tablet über Instagram vs. Donnerstag Morgens mit dem Desktop-PC von Google). Basierend auf dem Surfverhalten dieser Peer Group werden individuell relevante Produktvorschläge für den aktuellen Besucher ermittelt und ausgespielt – vollautomatisiert sowie in weniger als 20 Millisekunden. Im Gegensatz zur herkömmlichen Personalisierung bzw. klassischen RECOs spielt die aktuelle Shopping-Situation hier eine große Rolle: ODOSCOPE nennt das Verfahren deshalb „Situationalisierung“.
Situationsbezogene Produktempfehlungen können innerhalb von Sekunden die gesamte Customer Journey des aktuellen Online-Shoppers beeinflussen und führen zu einem besseren Einkaufserlebnis.
Die situationsbezogenen Empfehlungen entsprechen mit viel höherer Wahrscheinlichkeit den Wünschen des aktuellen Shoppers, sodass dieser auf seiner Customer Journey mit individuell relevanten Inhalten begleitet und höchstpersönlich beraten wird: Zurückgreifend auf das Beispiel der jungen Dame wird diese in wenigen Millisekunden mit historischen Nutzern und deren Surfverhalten verglichen. Dabei stellen ihr Standort in Hamburg, der LogIn über W-LAN, die Nutzung eines Apple-Systems, ihr Tablet als Device, die Zugriffszeit Sonntag Abends und zuletzt die Weiterleitung von Instagram (Referrer) relevante Situationsdaten dar. Diese sind selbst für unbekannte Nutzer verfügbar, lassen sich mit ihrem Surfverhalten verknüpfen und erlauben schließlich die Einordnung in eine Peer Group von Usern, die der jungen Frau sehr ähnlich sind.
Dank dieser Situationalisierung wird die Dame bereits auf der Startseite auf Artikel aufmerksam gemacht, die von ähnlichen Kunden in einer ähnlichen Shopping-Situation gekauft wurden. Auf der Produktdetailseite dann könnten direkt die gewünschten Cremes im stylischen Design vorgeschlagen werden, weil diese von der individuellen Peer-Group ebenfalls betrachtet wurden. Bei Öffnung des Warenkorbs sowie im Check-out werden schließlich Artikel empfohlen, die Kunden in einer ähnlichen Situation zusätzlich gekauft haben. Nicht zuletzt spart sich unsere Frau auch aufwändige Suchen und Filtereinstellungen, weil die Artikel auch auf den Produktlisten nach ihrer individuellen Relevanz für ihre Peer Group sortiert werden.
Erfolgsfaktor: Situationsbezogene Empfehlungen für JEDEN Kunden
Von herkömmlichen RECO-Methoden hebt sich Situationalisierung besonders durch zwei Faktoren ab: Erstens werden nicht nur persönliche, sondern auch situative Daten zur Berechnung passender Produktvorschläge nutzbar gemacht, was eine reichhaltigere Datenbasis garantiert. Zum Zweiten sorgt die disruptive OI-Technologie im Hintergrund für wirklich maßgeschneiderte Ergebnisse: Dank In Memory-Grid und Echtzeit-Clustering muss die vielfältige Datenbasis weder vereinfacht, noch modelliert werden.
Somit finden Bestandskunden mithilfe situationsbezogener Empfehlungen sofort die für sie passendsten Produkte. Eine bessere Customer Experience ist damit garantiert! Zudem werden sie durch inspirierende Vorschläge zu mehr Spontankäufen verleitet. Weil die nutzbar gemachten Situationsdaten selbst von Erstbesuchern oder anonymen Nutzern vorliegen, kann asambeauty sogar ihnen situationsbezogene Empfehlungen präsentieren – noch vor ihrem ersten Klick und absolut DSGVO-konform. asambeauty nutzt die Produktempfehlungen auf den verschiedenen Touchpoints der Customer Journey geschickt, um mit relevanten Inhalten eine individuelle Produktpalette zu bieten, die jeden einzelnen Nutzer auf Anhieb anspricht.
Projekterfolge: Deutliche Steigerung von Warenkorbwerten und Umsatz
Zur Realisierung des Projekts wurde die Situationalisierungs-Lösung von ODOSCOPE clientseitig per JavaScript auf asambeauty.de integriert. So konnte gleich nach dem Import von Produkt- und Kategorienfeeds sowie Tracking-Daten mit der Optimierung losgelegt werden – direkt ab Tag 1. Um die Projekterfolge verlässlich evaluieren zu können, trat ODOSCOPE zunächst in einer viermonatigen Testphase gegen das bisherige RECO-Tool von asambeauty an. Ausgespielt wurden die situationsbezogenen Empfehlungen auf der Produktdetailseite, der Add to Basket-Page sowie im Warenkorb.
Dadurch konnten bereits während der Testphase Warenkorbwerte und Umsatz auf der Beauty-Plattform signifikant gesteigert werden. Besonders machte sich dies auf der Produktdetailseite bemerkbar: Verglichen mit klassischen RECOs sorgten situationsbezogene Empfehlungen dort für einen Uplift der gekauften Produkte sowie des Gewinns pro Besuch von je rund 4%. Für Tablet-User konnte der Umsatz dort sogar um 11% gesteigert werden. Wegen dieser überragenden Performance rollte asambeauty die Situationalisierungs-Lösung nach der Testphase für den gesamten Shop aus, sodass das bisherige RECO-Tool vollständig ersetzt werden konnte.
